ICCVOct, 2019

深度上下文关注人 - 物互动检测

PDF
TL;DR提出了一种上下文关注框架，通过学习上下文感知的人和对象外观特征，并采用自适应方法选择相关实例中心的上下文信息以突出可能包含人物 - 物品交互的图像区域，从而在三个数据集上超越现有最佳方法。
human-object interaction detectionvisual relationship detectioncontextual attention frameworkcontextually-aware appearance featuresimage regions
发现论文，激发创造
  • 学习检测人 - 物互动

    在计算机视觉中，我们通过介绍一种新的深度神经网络 (HO-RCNN) 和一种新的输入特征（交互模式），解决了人 - 物目标交互检测（HOI）的基本问题，并在当前的 HICO 分类基准上引入实例注释，大大提高了 HOI 检测的性能。

    Feb, 2017

  • iCAN: 实例中心注意力网络用于人 - 物交互检测

    本文提出了一种利用实例注意力重点聚合一张图像中与人 - 物交互相关的特征，实现人 - 物交互检测任务的方法，并在 COCO 和 HICO-DET 数据集上验证了其有效性，结果明显优于现有技术。

    Aug, 2018

  • 检测和识别人 - 物交互

    这篇研究提出了一个新的机器学习模型，利用人类的行为、动作、动作具体区域等特征来预测目标对象的位置， 实现在图像中精确识别人体与目标物之间的互动关系，为实现目标识别和视觉感知提供了新的思路。

    Apr, 2017

  • 人 - 物交互检测的视觉 - 语义图注意力网络

    通过双图注意力网络，可以动态地从主要的人 - 物关系和附属关系中聚合环境视觉、空间和语义信息以实现强大的消岐能力。

    Jan, 2020

  • 使用交互点学习人 - 物交互检测

    本文提出了一种基于全卷积的去检测人 - 物交互的新方法，该方法利用相互作用点直接定位和分类相互作用，并结合密集的相互作用向量，将相互作用与人和物的检测相结合，以获得最终的预测结果。该方法在 V-COCO 和 HICO-DET 两个常用基准上均取得了最新的最佳表现。

    Mar, 2020

  • 探索人物 - 物体交互中的谓词视觉环境

    通过可视化和精心设计的实验，我们研究了 DETR 框架在人物 - 物体交互研究中的问题，并通过增强图像特征的方式，改进了模型的谓词视觉上下文，从而在 HICO-DET 和 V-COCO 基准上超过了最先进的方法，同时保持了较低的训练成本。

    Aug, 2023

  • 按照意图交互：意图驱动的人 - 物交互检测

    该研究探索了基于人体姿态、注视和距离等因素实现社交场景下人和物体之间相互作用识别的方法，并针对误分类问题提出硬负样本采样策略。在两个基准数据集，即 V-COCO 和 HICO-DET 上进行实验并验证了各个组件的有效性。

    Aug, 2018

  • QPIC：基于查询的人 - 物交互配对检测，包含图像范围的上下文信息

    提出了一种基于 transformer 的特征提取器，其中关注机制和基于查询的检测起着关键作用，可以避免多个 HOI 实例的特征混合，有效提取上下文重要特征，优于现有方法。

    Mar, 2021

  • UnionDet：面向实时人物物体互动检测的联合级别检测器

    通过深度神经网络和一阶段检测器，实现了对人物与对象的交互行为进行准确和快速检测，并在两个公共数据集上表现出优越性能。

    Dec, 2023

  • 通过视觉语言集成实现零样本人 - 物体交互检测

    本研究提出了一种名为 KI2HOI 的新型框架，用于有效整合视觉语言模型的知识，从而改进零样本人物 - 物体交互检测。通过采用动词提取解码器将相应的动词查询转换为特定交互类别的表示形式，设计了基于视觉语义的动词特征学习模块。通过有效的加性自注意机制生成更全面的视觉表示。此外，创新的交互表示解码器通过交叉注意机制，有效地提取信息丰富的区域。为了处理低数据中的零样本学习，利用 CLIP 文本编码器的先验知识，为增强交互理解初始化线性分类器。在主流的 HICO-DET 和 V-COCO 数据集上进行的大量实验证明，我们的模型在各种零样本和全监督设置上优于以前的方法。

    Mar, 2024